區域視角下我國高新技術產業R&D效率及影響因素研究

張紅梅 任 杰

(貴州財經大學 大數據應用與經濟學院(貴陽大數據金融學院)，貴州 貴陽 550025)

0 引言

自“十一五”以來，我國高新技術飛速發展，尤其是在新材料、交通、信息技術以及能源等方面有了突破性進展，產業成果化顯著，自主研發及自主創新能力得到進一步提升。我國在無線通信、新能源汽車、信息網絡等領域已經邁入了世界前列，許多高新技術設備以及相關零件實現了自主設計創造。新時代下我國國家發展戰略的核心是“提高自主創新能力，建設創新型國家”，我國在高新技術產業R&D經費的投入雖然逐年提升，但是投入程度與發達國家相比還有很大的差距，由于缺乏核心技術，產品的附加價值較低。

1 文獻回顧

關于我國高技術產業R&D效率影響因素的研究文獻較為豐富。謝偉[1]發現我國高新技術產業的R&D效率偏低，而研發投入過程中的大量冗余以及因素間的不平衡發展是主要因素。朱桂艷[2]則對東中西部地區高新技術企業科技創新進行現狀分析，發現科技金融對高新技術企業創新影響效果顯著。

還有著重研究了環境因素對高新技術產業的影響，周姣[3]對2007-2011年我國54個高新區的高新企業R&D的數據進行了測算，發現我國高新區除了存在創新效率低下的問題，還存在嚴重的資源配置不均，其原因主要來源于企業規模、勞動者素質以及地理因素等。劉滿鳳[4]考察了我國高新區2012年的創新效率，研究發現，導致我國中西部地區高新區的創新效率低下的主要原因是外部環境因素。而謝婷[5]以我國高新技術五大產業為樣本分析和考察我國高新技術產業研發績效，發現環境因素的差異對高新技術產業R&D效率造成了顯著的差異影響。孫研[6]則做了進一步研究，政府扶持資金越多、技術投入越大就越會給高新技術企業帶來更多的研發冗余。劉偉[7]以中國高新技術產業的2000-2009年行業面板數據進行分析，研究表明當不考慮環境因素時，高新技術企業的規模效率會上升但是純技術效率會下降。曾勝[8]對2006-2013年我國30個省市區的高新技術企業的投入與產出數據進行了測度，發現當不考慮環境因素時，各省市區的R&D會顯著降低，而造成下降的主要原因為規模效率顯著下降。馬東華[9]就如何提高高新技術創新效率展開了研究，發現單純增加研發投入并不能帶來科技水平提升。

另外，還有學者測度了高新技術企業R&D的金融支持效率。張自力[10]研究發現廣東省對高新技術產業自主創新的金融支持力度不夠，從而導致金融支持效率整體較低。而黃詩偉[11]在研究時發現企業經營能力、企業盈利能力等因素對金融支持效率產生正面影響，而資產負債率對金融支持效率產生負面影響。馬玉琪[12]發現企業的經營水平越高、科研能力越強就越能獲得更多的金融支持而且金融支持對小微企業的R&D效率的作用要優于大中型企業。

通過文獻回顧，本文將進行以下研究：首先通過傳統DEA模型對我國高新技術企業的R&D效率進行測度，其次分析哪些環境變量對高新技術的R&D效率造成了顯著的影響并進行相應的調整，最后提出相關的政策建議。

2 模型與方法

2.1 三階段DEA模型

三階段DEA模型最早是由Fried提出，他通過研究發現傳統的DEA模型在進行效率測度時，忽略了環境因素的影響，因而導致決策單元的效率值并不準確。三階段DEA模型就是在傳統的DEA模型基礎上引入了環境因素以及隨機噪聲，其最重要的步驟是在第二階段將環境變量因素以及隨機噪聲剔除掉。三階段DEA模型雖然出現較晚，但是發展速度較快，國內有很多學者都開始考慮環境因素以及隨機噪聲的影響。

2.1.1 第一階段：傳統DEA模型

DEA模型即數據包絡分析，由Charnes、Cooper以及Rhodes于1978年首次提出，它主要用來評價各決策單元的相對有效性。簡單來說，它是通過輸入與輸出來衡量決策單元是否能達到“規模有效”與“技術有效”。他們的第一個模型被命名為CCR模型。

第一階段主要使用原始投入值與原始產出值來進行初步的效率測算，DEA模型可以根據投入與產出導向的不同分為以產出為導向的CCR模型以及以投入為導向的BCC模型。以產出為導向的CCR模型是規模報酬不變的，而以投入為導向的BCC模型是規模報酬可變的，我國學者在運用三階段DEA模型分析時，大多都以投入為導向的BCC模型進行分析。BCC模型是CCR模型的對偶形式，下面將對BCC模型進行展開介紹。

設有m個決策單元DMUr(r=1,2,...,m)，這些決策單元都分別對應有i個輸入和o個輸出。若以向量形式表示，其輸入向量形式可寫為X=(xr1,xr2,...,xri)T>0，輸出向量形式為Y=(yr1,yr2,...,yro)T>0，其中，xri為第r個決策單元的i種輸入，yro為第r個決策單元的o種輸出。為了簡便，我們將分別記DMUr0為DMU0，Xr0為X0，Yr0為Y0，則以投入為導向的BCC模型的對偶線性規劃模型如公式1所示：

(1)

其中，θ為綜合效率值，θ∈(0,1]，S-為輸入的松弛變量，S+為輸出的松弛變量，ηr為常數向量，并且有如下幾個結論：

(1)若θ=1且S-=0，S+=0，這說明DMU0為DEA有效決策單元；

(2)若θ=1且S-≠0或S+≠0，則說明DMU0為弱DEA有效決策單元；

(3)若θ<1，則說明DMU0為非DEA有效決策單元。

模型測算結果得出的θ值為綜合效率值(TE)。它由規模效率(SE)與純技術效率(PTE)所構成，表達式為綜合技術效率(TE)=規模效率(SE)*純技術效率(PTE)。

2.1.2 第二階段：似SFA模型

第二階段是核心部分，Freid認為決策單元應受到三個方面的影響：管理無效率、環境因素與統計噪聲。在第二階段中主要將三種影響分別分離出來。

通過第一階段的測算結果可以得到輸入與輸出指標的松弛變量，而松弛變量我們認為是包含著管理無效率、環境因素與統計噪聲的初始結果，這顯然是低效率的。要分離這三種影響，需要借助SFA(隨機前沿)模型，將輸入與輸出的松弛變量作為被解釋變量，將環境變量和混合誤差項作為解釋變量，最后進行回歸分析。構造的SFA回歸方程如公式(2)所示：

Sri=f(Zr;βk)+vri+μri,i=1,2,...,I,r=1,2,...,m

(2)

其中，Sri表示第r個決策單元第i個投入的松弛變量；Zr=(Zr1,Zr2,...,Zrk)表示有k個環境變量，Zr1為第r個決策單元的一個環境變量；βk為環境變量的系數；vri+μri表示混合誤差項，其中vri為隨機干擾項且vri～N(0,σvr2)，其含義為隨機干擾因素可能對投入的松弛變量的影響；μri為管理無效率。μri服從在零點截斷的正態分布，μr～N+(0,σμr2)，其含義為因管理因素可能對投入松弛變量的影響。

(3)

以上過程將環境因素以及隨機因素去除掉，接下來將介紹如何剔除因管理無效率造成對投入變量的影響。管理無效率的分離公式不同的學者給出了不同的形式而且差別較大。羅登躍[13]依據Jondrow[14]的思路得出了較為科學的分離公式，如式(4)所示：

(4)

接著計算得出隨機誤差項μ，計算公式如式(5)所示：

E[vri|vri+μri]=sni-f(Zr;βk)-E[μri|vri+μri]

(5)

第二階段總的來說就是將三種影響從投入變量中剝離出來，得出調整后的投入變量，下一步將剝離了各項影響因素的投入變量再次代入到DEA模型進行分析，即第三階段。

2.1.3 第三階段：調整后的投入變量再利用DEA法進行測算

【普氏《核子周刊》2018年9月13日刊報道】 2018年9月11日，美國X能源公司(X-energy)高層管理人員在與美國核管會(NRC)工作人員會談時表示，Xe-100的概念設計目前已完成約50%，該公司計劃在未來幾年與核管會進行Xe-100設計認證申請提交前的互動，并在2022年或2023年完成這種反應堆的設計。Xe-100是一種200 MWt/75MWe的高溫氣冷球床反應堆，基于過去50年在高溫氣冷堆領域的研發和運營經驗。

由于各決策單元的相對效率值是經過似SFA模型處理后的結果，即過濾掉了環境因素以隨機干擾項的結果，因此經調整后得出的決策單元的相對效率值更加準確和合理。

2.2 選取指標

2.2.1 投入指標、產出指標與環境變量指標

投入指標以及產出指標的選擇應合理，否則將會影響效率的測算準確性。本文所選取各項指標如下所示：

(1)投入指標與產出指標的選取。在研究企業R&D效率方面，國內有很多學者構建了衡量企業研發效率的評價體系，本文投入和產出指標部分參照李洪偉[15]的做法。在投入方面，重點考察新產品開發經濟支出與政府資金支持對我國各省市區高新技術企業經濟產出的影響。考慮到數據的可得性，將新產品銷售收入以及專利申請數作為產出指標。

(2)環境變量的選取。環境變量是三階段DEA模型中必不可少的一個環節，由于三階段DEA模型的核心就是將外部環境因素納入到考察范圍內，因此，選取的環境變量應該考慮到我國各省市區的經濟發展水平。根據現有文獻成果，本文將研發機構個數、企業規模、國有產權比重、地區生產總值、學歷為大專以上人口5個指標作為環境變量。

2.2.2 數據來源

本文所使用的投入指標、產出指標與環境變量指標數據來自我國2011-2017年的《中國高技術產業統計年鑒》以及《中國科技統計年鑒》，本文參照盧劍憂[16]的做法，設定產出具有時滯性，例如將2016的數據作為投入，將2017年的數據作為產出。

2.3 我國各省市區金融支持效率的實證分析

本文將通過三階段DEA模型對我國各省市區的高新技術企業的R&D效率進行測度，并考察外部因素對R&D的影響。

2.3.1 第一階段：傳統DEA模型

綜上，當TE、PTE以及SE均為1時，決策單元才為有效決策單元。如果出現PTE為1但SE小于1，此時決策單元被認為是無效的，且綜合技術效率無效是規模效率值無效所導致的。運用DEAP 2.1對我國27個省市區2011-2016年高新技術產業的綜合效率值進行分析，如表1所示。

表1 2011-2016年省市區的綜合效率值

由表1可知，當過濾掉外部環境因素，2011-2016年我國各省市區的效率值均值分別為0.673,0.692,0.666,0.588,0.699,0.602。其中2011年天津、江蘇、廣東、重慶、貴州處于生產效率前沿面；2012年河南、廣東處于生產效率前沿面；2013年安徽、河南、廣東、貴州處于生產效率前沿面；2014年內蒙古、河南、廣東、重慶處于生產效率前沿面；2015年江蘇、江西、山東、河南、廣東處于生產效率前沿面；2016年內蒙古、江西、河南處于生產效率前沿面。而其余各省市在PTE以及SE上都存在改進空間，由于在第一階段中有環境因素以及隨機干擾項的影響，所以第一階段結果并不能準確的反映我國各省市區的高新技術產業的投入產出效率，因此需要對其進一步調整。

2.3.2 第二階段：似SFA模型

通過第一階段分析，不僅得到了各省市高新技術產業的金融支持效率值，還得到了其投入松弛變量，綜上所述，投入的松弛變量即為目標投入值(理想投入值)與實際投入值之差。在第二階段，將會建立SFA模型，并將松弛變量以及環境變量代入運行，從而得到不存在外部環境因素的條件下環境變量以及隨機因素對金融支持效率的影響。需要注意的是采用的是似SFA模型而非標準的SFA模型，區別在于似SFA模型不對環境變量做對數化處理。采用式(2)進行線性回歸。

本文使用軟件Frontier4.1對SFA模型進行回歸，在進行數據輸入前，有必要對環境變量進行標準化處理消除量綱的影響，標準化處理方法采用極差法，如式(6)所示。

(6)

軟件運行結果如表2、表3所示。

表2 投入變量為新產品開發經費支出的SFA分析結果

表3 投入變量為政府資金支持的SFA分析結果

在第二階段中，如果環境變量的系數為正，表明環境變量越大，投入的松弛變量也就越大。環境變量的影響越大，所產生的投入冗余也就越多。反之，如果環境變量系數為負，環境變量的影響越大，所產生的投入冗余也就越少。

根據SFA回歸分析結果，發現各年份γ=1.00，說明我國各省市區高新技術產業的研發無效率基本是由新產品開發經費支出及政府支出管理無效率造成。LR單邊檢驗表示是否存在影響無效率的因素，通過查閱單邊廣義似然比檢驗的臨界值可知自由度(環境變量個數)為5，在0.5%的顯著性水平下為10.371，各年份均通過了顯著性檢驗，這就表明管理無效率的影響的確存在，利用SFA進行分析是合理的。

以下將具體分析5個環境變量對金融支持效率的影響。

首先，觀察新產品開發經費支出，研發機構數對新產品開發經費支出的松弛變量產生負面影響并且均通過了1%的顯著性檢驗；企業規模對新產品開發經費支出的松弛變量只有在2013年和2016年產生正面影響并且通過1%和5%的顯著性檢驗；國有產權比重對新產品開發經費支出的松弛變量在2013年、2014年和2016年產生正面影響并且通過1%和5%的顯著性檢驗；地區生產總值對新產品開發經費支出的松弛變量在2011年和2012年產生正面影響并且通過了1%的顯著性檢驗，而2013年卻沒有通過顯著性檢驗，在2014-2016年產生負面影響并且通過了1%的顯著性檢驗；大專以上學歷的人口數對新產品開發經費支出的松弛變量在2011年產生負面影響并且通過了1%的顯著性檢驗，在2012-2016年產生正面影響并且通過了1%和5%的顯著性檢驗。

這表明2011-2016年各省市區的研發機構數量越多，就越能提升高新技術產業的研發效率。關于內在機理，可以這樣解釋：研發機構數量越多，就越能增加各省市區的高新技術企業的競爭強度，因而會加強對新產品開發經費的使用效率，從而提升研發效率。而企業規模可能會對高新技術企業的研發效率產生負面影響(2013年和2016年對新產品開發經費支出的松弛變量產生正面影響)。國有產權比重有降低高新技術企業的研發效率的趨勢，即在2013年、2014年和2016年國有產權比重越大，就越能降低高新技術產業的研發效率。這可能是因為國有產權比重越大，使得資金投入量變大從而在一定程度上降低資金的使用效率，從而造成了資金的浪費，從而降低研發效率。2011-2012年地區生產總值越高就越能降低研發效率但在2014-2016年卻正好相反，這說明有地區生產總值越高就越能提升高新技術企業研發效率的趨勢。2011年大專以上學歷人口數越多就越能提升高新技術研發效率，而在2011年后卻正好相反且對研發效率產生越來越強的負面影響，這說明有研發人員騙取研發經費的現象，從而降低了地區的高新技術的研發效率。

其次，觀察政府資金支出，研發機構數對政府資金支出的松弛變量在2011-2014年產生負面影響并且均通過1%和5%的顯著性檢驗，在2015-2016年沒有通過顯著性檢驗但有微弱的負面影響；企業規模對政府資金支出的松弛變量只有2016年產生正面影響并且通過1%的顯著性檢驗；國有產權比重對政府資金支出的松弛變量在2013年和2015年沒有通過顯著性檢驗但仍然存在微弱的正面影響，在其余年份產生的正面影響并且通過1%的顯著性檢驗；地區生產總值對政府資金支出的松弛變量在2011年產生正面影響并且通過了1%的顯著性檢驗，而2011年后卻逐漸呈現出負面影響的趨勢，除了2013年均通過1%的顯著性檢驗；大專以上學歷的人口數對政府資金支出的松弛變量在2011年產生負面影響并且通過了1%的顯著性檢驗，在2012-2016年產生正面影響并且通過了1%的顯著性檢驗。通過觀察發現基本上與以上的結果保持一致。

通過分析，可知環境變量的存在的確會給各省市區的高新技術企業的研發效率造成影響，高估“運氣”好(環境因素良好)的地區而低估“運氣”差(環境因素較差)的地區，這就會對各決策單元的效率評價造成影響。所以在第三階段中，將各決策單元置于相同的“運氣”(相同環境因素)水平下，進一步考察各省市區的金融支持效率。

2.3.3 第三階段：調整后的投入變量再利用DEA法進行測算

根據對原始投入指標新產品開發經費支出以及政府資金支出進行調整，并再次利用DEA模型中的以投入為導向的、規模報酬可變的BCC模型進行測算，通過軟件DEAP2.1得到運行結果，如表4所示。

對比表1和表6發現剔除掉環境變量和隨機干擾項后，發現各省、市的綜合效率均值與原始投入相比有明顯的下降，這說明總體而言我國高新技術產業效率去除外部環境和隨機因素后更加不理想，其中河南在2012-2016年仍然處于技術效率前沿面；廣東經過調整后在2011年-2015年仍然處于技術效率前沿面并在2016年達到了有效前沿面，說明這兩個省的高新技術產業投入產出效率確實較高。

2011年，天津和江蘇處于技術效率前沿面不變，說明這兩個省市在2011年投入產出效率較高；重慶和貴州剝離了環境因素和隨機干擾項后退出了技術效率前沿面，說明這兩個省市的高效率與其所處的有利環境和“好運氣”有關而北京和四川與其正好相反。2013年，安徽和貴州省剝離了環境因素和隨機干擾項后退出了技術效率前沿面；2014年內蒙古和重慶剝離了環境因素和隨機干擾項后退出了技術效率前沿面，而江蘇、安徽和山東剝離了環境因素和隨機干擾項達到了技術效率前沿面；2015年，江蘇和山東處于技術效率前沿面不變，說明這兩個省在2015年投入產出效率較高，而江西剝離了環境因素和隨機干擾項退出了技術效率前沿面；2016年內蒙古和江西剝離了環境因素和隨機干擾項退出了技術效率前沿面而江蘇和山東與其正好相反。剝離了環境因素和隨機干擾項后退出了技術效率前沿面的省市區說明高新技術產業的研發高效率與其所處的有利環境和“運氣”有關，即其本身的技術管理水平并不高。而剝離了環境因素和隨機干擾項后達到了技術效率前沿面的省市區說明高新技術產業的研發效率受環境影響。

3 結語

本文以全國27個省市區的新產品開發經費支出與政府資金支出作為投入指標，以新產品銷售收入和專利申請書為產出指標，并且考慮了環境因素的影響，重點考察了我國各省市區的高新技術企業的研發效率以及影響因素。本文采用三階段DEA模型構建了區域視角下我國高新技術企業研發效率分析模型，通過實證分析對各省市區的研發效率進行測算，得到了以下結論：

(1)研發機構數量越多就越能提高省、市的高新技術產業的研發效率，因此各省市區應大力發展高新技術產業，從而提高地區高新技術產業的競爭力從而提升高新技術企業的研發效率。

(2)企業規模對高新技術產業的研發效率的影響不是很大，只有微弱的負面影響。企業規模越大就越容易造成資金的浪費，導致研發效率低下，而微弱的負面影響說明高新技術企業規模大部分還是較小，各省市區應適當擴大高新技術企業的規模。

(3)國有產權比重越大就越有可能使得高新技術產業的研發效率下降，這可能是由于存在“所有制歧視”，使得國有高新技術企業能夠獲得更多的資金，從而造成了資金的浪費，導致高新技術企業的研發效率低下。我國應大力扶持民營高新技術企業的發展，加大金融支持。國有高新技術企業應當更加嚴格地管理資金的使用，完善資金監管制度。

(4)地區生產總值越高新技術企業的研發效率就越高，這說明經濟發達的地區能夠扶持高新技術企業的發展，高新技術企業的發展能夠帶來更多的收益，使得地區生產總值進一步提高，從而形成良性循環。